In diesem Dokument wird erläutert, wie die Erinnerungserstellung funktioniert, wie Sie die Erinnerungsextraktion mit Themen anpassen und wie Sie Anfragen zur Erinnerungserstellung auslösen.
Informationen zum Einrichten Ihrer Umgebung finden Sie unter Memory Bank einrichten.
Merken von Informationen
Memory Bank extrahiert gemerkte Informationen aus Quelldaten und stellt sie selbst für eine bestimmte Sammlung von gemerkten Informationen (definiert durch ein scope) zusammen, indem im Laufe der Zeit gemerkte Informationen hinzugefügt, aktualisiert und entfernt werden.
Wenn Sie das Merken von Informationen auslösen, führt Memory Bank die folgenden Vorgänge aus:
Extraktion: Extrahiert Informationen über den Nutzer aus seinen Unterhaltungen mit dem KI-Agenten. Es werden nur Informationen gespeichert, die mindestens einem der Erinnerungsthemen Ihrer Instanz entsprechen.
Konsolidierung: Gibt an, ob vorhandene Erinnerungen mit demselben Umfang basierend auf den extrahierten Informationen gelöscht oder aktualisiert werden sollen. Die Memory Bank prüft, ob neue gemerkte Informationen doppelt vorhanden sind oder im Widerspruch zu bestehenden gemerkten Informationen stehen, bevor sie mit diesen zusammengeführt werden. Wenn sich vorhandene gemerkte Informationen nicht mit den neuen Informationen überschneiden, wird eine neue gemerkte Information erstellt.
Standardmäßig werden bei der Konsolidierung alle vorhandenen gemerkten Informationen für denselben Bereich berücksichtigt. Wenn Sie genauer steuern möchten, welche Erinnerungen anhand von Metadaten zusammengeführt werden können, verwenden Sie die
REQUIRE_EXACT_MATCH-Zusammenführungsstrategie für Metadaten.Standardmäßig wird nur die aktuelle Version eines Speichers für den Vergleich verwendet. Wenn Sie langfristige Trends besser erkennen und Daten abgleichen möchten, können Sie
revisions_per_candidate_countbeim Erstellen Ihrer Agent Platform-Instanz erhöhen, um mehr historische Überarbeitungen in die Konsolidierungslogik einzubeziehen.
Sie können die Zwischenschritte der Speichergenerierung prüfen und mithilfe von Speicherversionen sehen, wie sich ein Speicher über mehrere Anfragen hinweg ändert. Jede Version enthält die Zwischenausgabe des Extraktionsschritts (extracted_memories) und des abschließenden Konsolidierungsschritts (fact) für jede Anfrage zur Generierung von gemerkten Informationen.
list(client.memory_banks.memories.revisions.list(
name="projects/.../locations/.../reasoningEngines/.../memories/.../revisions/..."))
"""
[
MemoryRevision(
name="projects/123/locations/us-central1/reasoningEngines/456/memories/789/revision/456",
fact="This is my updated fact",
extracted_memories=[
IntermediateExtractedMemory(
fact='This is the output of extraction for a single request.'
),
],
...
),
MemoryRevision(
name="projects/123/locations/us-central1/reasoningEngines/456/memories/789/revision/123",
fact="This is my original fact",
extracted_memories=[
IntermediateExtractedMemory(
fact='This is my original fact.'
),
],
...
)
]
"""
Themen der gemerkten Informationen
„Memory-Themen“ geben an, welche Informationen Memory Bank als wichtig erachtet und daher als generierte gemerkte Informationen speichern sollte. Memory Bank unterstützt zwei Arten von Memory-Themen:
Verwaltete Themen: Label und Anleitung werden von Memory Bank definiert. Sie müssen nur den Namen des verwalteten Themas angeben. Beispiel:
Wörterbuch
memory_topic = { "managed_memory_topic": { "managed_topic_enum": "USER_PERSONAL_INFO" } }Kursbasiert
from agentplatform.types import ManagedTopicEnum from agentplatform.types import MemoryBankCustomizationConfigMemoryTopic as MemoryTopic from agentplatform.types import MemoryBankCustomizationConfigMemoryTopicManagedMemoryTopic as ManagedMemoryTopic memory_topic = MemoryTopic( managed_memory_topic=ManagedMemoryTopic( managed_topic_enum=ManagedTopicEnum.USER_PERSONAL_INFO ) )Benutzerdefinierte Themen: Label und Anweisungen werden von Ihnen beim Einrichten Ihrer Memory Bank-Instanz definiert. Sie werden im Prompt für den Extraktionsschritt von Memory Bank verwendet. Beispiel:
Wörterbuch
memory_topic = { "custom_memory_topic": { "label": "business_feedback", "description": """Specific user feedback about their experience at the coffee shop. This includes opinions on drinks, food, pastries, ambiance, staff friendliness, service speed, cleanliness, and any suggestions for improvement.""" } }Kursbasiert
from agentplatform.types import MemoryBankCustomizationConfigMemoryTopic as MemoryTopic from agentplatform.types import MemoryBankCustomizationConfigMemoryTopicCustomMemoryTopic as CustomMemoryTopic memory_topic = MemoryTopic( custom_memory_topic=CustomMemoryTopic( label="business_feedback", description="""Specific user feedback about their experience at the coffee shop. This includes opinions on drinks, food, pastries, ambiance, staff friendliness, service speed, cleanliness, and any suggestions for improvement.""" ) )Wenn Sie benutzerdefinierte Themen verwenden, sollten Sie auch Few-Shot-Beispiele angeben, um zu veranschaulichen, wie Erinnerungen aus Ihrem Gespräch extrahiert werden sollen.
Standardmäßig werden in der Memory Bank alle folgenden verwalteten Themen gespeichert:
Nutzerinformationen (
USER_PERSONAL_INFO): Wichtige Informationen zum Nutzer, z. B. Namen, Beziehungen, Hobbys und wichtige Termine. Beispiele: „Ich arbeite bei Google“ oder „Mein Hochzeitstag ist am 31. Dezember“.Nutzereinstellungen (
USER_PREFERENCES): Angegebene oder implizierte Vorlieben, Abneigungen, bevorzugte Stile oder Muster. Beispiel: „Ich bevorzuge den mittleren Sitzplatz.“Wichtige Unterhaltungsereignisse und Aufgabenergebnisse (
KEY_CONVERSATION_DETAILS): Wichtige Meilensteine oder Schlussfolgerungen im Dialog. Beispiel: „Ich habe Flugtickets für einen Hin- und Rückflug zwischen JFK und SFO gebucht. Ich reise am 1. Juni 2025 ab und kehre am 7. Juni 2025 zurück.“Explizite Anweisungen zum Speichern oder Vergessen (
EXPLICIT_INSTRUCTIONS): Informationen, die der Nutzer den Agenten explizit auffordert, sich zu merken oder zu vergessen. Wenn der Nutzer beispielsweise sagt „Merk dir, dass ich hauptsächlich Python verwende“, generiert die Memory Bank eine gemerkte Information wie „Ich verwende hauptsächlich Python“.
Das entspricht der Verwendung der folgenden Themen für verwalteten Speicher:
Wörterbuch
memory_topics = [
{"managed_memory_topic": {"managed_topic_enum": "USER_PERSONAL_INFO"}},
{"managed_memory_topic": {"managed_topic_enum": "USER_PREFERENCES"}},
{"managed_memory_topic": {"managed_topic_enum": "KEY_CONVERSATION_DETAILS"}},
{"managed_memory_topic": {"managed_topic_enum": "EXPLICIT_INSTRUCTIONS"}},
]
Klassenbasiert
from agentplatform.types import ManagedTopicEnum
from agentplatform.types import MemoryBankCustomizationConfigMemoryTopic as MemoryTopic
from agentplatform.types import MemoryBankCustomizationConfigMemoryTopicManagedMemoryTopic as ManagedMemoryTopic
memory_topics = [
MemoryTopic(
managed_memory_topic=ManagedMemoryTopic(
managed_topic_enum=ManagedTopicEnum.USER_PERSONAL_INFO)),
MemoryTopic(
managed_memory_topic=ManagedMemoryTopic(
managed_topic_enum=ManagedTopicEnum.USER_PREFERENCES)),
MemoryTopic(
managed_memory_topic=ManagedMemoryTopic(
managed_topic_enum=ManagedTopicEnum.KEY_CONVERSATION_DETAILS)),
MemoryTopic(
managed_memory_topic=ManagedMemoryTopic(
managed_topic_enum=ManagedTopicEnum.EXPLICIT_INSTRUCTIONS)),
]
Wenn Sie anpassen möchten, welche Themen Memory Bank speichert, legen Sie die Speicherthemen in Ihrer Anpassungskonfiguration fest, wenn Sie Memory Bank einrichten.
Metadaten bei der Konsolidierung verwenden
Sie können generierten Erinnerungen Metadaten hinzufügen. Mit Metadaten können Sie strukturierte Informationen (Strings, Doubles, Booleans oder Zeitstempel) zusammen mit einem Speicherfakt speichern. Das ist nützlich, um Erinnerungen zu filtern oder ihren Lebenszyklus zu verwalten.
Wörterbuch
import datetime
client.memory_banks.memories.generate(
...,
config={
"metadata": {
"my_string_key": {"string_value": "my_string_value"},
"my_double_key": {"double_value": 123.456},
"my_boolean_key": {"bool_value": True},
"my_timestamp_key": {
"timestamp_value": datetime.datetime(
2027, 1, 1, 12, 30, 00, tzinfo=datetime.timezone.utc
)
}
},
"metadata_merge_strategy": "MERGE"
},
)
Kursbasiert
import datetime
from agentplatform import types
client.memory_banks.memories.generate(
...,
config=types.GenerateMemoriesConfig(
metadata={
"my_string_key": types.MemoryMetadataValue(string_value="my_string_value"),
"my_double_key": types.MemoryMetadataValue(double_value=123.456),
"my_boolean_key": types.MemoryMetadataValue(bool_value=True),
"my_timestamp_key": types.MemoryMetadataValue(
timestamp_value=datetime.datetime(
2027, 1, 1, 12, 30, 00, tzinfo=datetime.timezone.utc
)
),
},
metadata_merge_strategy=types.MemoryMetadataMergeStrategy.MERGE,
)
)
Mit einem metadata_merge_strategy können Sie steuern, wie neue Metadaten während der Konsolidierung mit vorhandenen Speichern interagieren:
MERGE: (Standard) Neue Metadaten mit vorhandenen Metadaten kombinieren. Wenn ein Schlüssel bereits vorhanden ist, wird der alte Wert durch den neuen Wert überschrieben.OVERWRITE: Ersetzt die Metadaten der aktualisierten Erinnerungen durch die neuen Metadaten.REQUIRE_EXACT_MATCH: Die Konsolidierung wird auf Erinnerungen beschränkt, die genau dieselben Metadaten wie die Anfrage haben. Wenn ein Erinnerungsfoto nicht dieselben Metadaten hat, kann es nicht zusammengefasst werden und wird nicht aktualisiert.
Erinnerungen für eine Teilmenge von Themen generieren
Standardmäßig werden bei der Generierung von gemerkten Informationen Daten für alle Themen für gemerkte Informationen extrahiert, die Sie bei der Einrichtung Ihrer Memory Bank-Instanz konfiguriert haben.
Bei einer bestimmten GenerateMemories-Anfrage können Sie die Extraktion auf eine Teilmenge der konfigurierten Themen beschränken. Verwenden Sie das Feld allowed_topics, um zulässige Themen zu konfigurieren.
Wörterbuch
client.memory_banks.memories.generate(
...,
config={
"allowed_topics": [
{"managed_memory_topic": "USER_PERSONAL_INFO"},
{"custom_memory_topic_label": "business_feedback"}
]
},
)
Kursbasiert
from agentplatform import types
client.memory_banks.memories.generate(
...,
config=types.GenerateMemoriesConfig(
allowed_topics=[
types.MemoryTopicId(
managed_memory_topic=types.ManagedTopicEnum.USER_PERSONAL_INFO
),
types.MemoryTopicId(
custom_memory_topic_label="business_feedback"
)
]
)
)
Merken von Informationen auslösen
Sie haben folgende Möglichkeiten, Erinnerungen zu erstellen:
GenerateMemories: Daten in Memory Bank aufnehmen und sofort die Generierung von Erinnerungen auslösen. Diese Methode ist nützlich, wenn Sie Erinnerungen zu einem bestimmten Zeitpunkt generieren möchten, z. B. am Ende einer Sitzung oder in regelmäßigen Abständen innerhalb einer Sitzung.IngestEvents: Daten kontinuierlich in Memory Bank aufnehmen und von Memory Bank verarbeiten lassen, wenn die Auslösekriterien erfüllt sind. Diese Methode ist nützlich, wenn Sie einen kontinuierlichen Stream von Ereignissen haben und Memory Bank das Puffern automatisch übernehmen und die Speichergenerierung basierend auf dem Volumen oder der Zeit auslösen soll. Weitere Informationen finden Sie unter Ereignisse erfassen.
Bei der Generierung von gemerkten Informationen wird der wichtigste Kontext aus den Quellunterhaltungen extrahiert und mit vorhandenen gemerkten Informationen für denselben Bereich kombiniert. Sie können beispielsweise mit einem Bereich wie {"user_id": "123",
"session_id": "456"} sitzungsspezifische gemerkte Informationen erstellen. Gemerkte Informationen mit demselben Bereich können konsolidiert und zusammen abgerufen werden.
GenerateMemories ist ein Vorgang mit langer Ausführungszeit.
Nach Abschluss des Vorgangs enthält GenerateMemoriesOperation eine Liste der generierten Erinnerungen, sofern welche generiert wurden:
GenerateMemoriesOperation(
name="projects/.../locations/.../reasoningEngines/.../operations/...",
done=True,
response=GenerateMemoriesResponse(
generatedMemories=[
GenerateMemoriesResponseGeneratedMemory(
memory=Memory(
"name": "projects/.../locations/.../reasoningEngines/.../memories/..."
),
action="CREATED",
),
GenerateMemoriesResponseGeneratedMemory(
memory=Memory(
"name": "projects/.../locations/.../reasoningEngines/.../memories/..."
),
action="UPDATED",
),
GenerateMemoriesResponseGeneratedMemory(
memory=Memory(
"name": "projects/.../locations/.../reasoningEngines/.../memories/..."
),
action="DELETED",
),
]
)
)
Jede generierte gemerkte Information enthält die action, die für diese gemerkte Information ausgeführt wurde:
CREATED: Gibt an, dass ein neuer Speicher hinzugefügt wurde, der ein neues Konzept darstellt, das von vorhandenen Speichern nicht erfasst wurde.UPDATED: Gibt an, dass ein vorhandener Speicher aktualisiert wurde. Das passiert, wenn der Speicher ähnliche Konzepte wie die neu extrahierten Informationen abdeckt. Der Fakt im Speicher kann mit neuen Informationen aktualisiert werden oder unverändert bleiben.DELETED: Gibt an, dass der vorhandene Speicher gelöscht wurde, weil seine Informationen im Widerspruch zu neuen Informationen standen, die aus der Unterhaltung extrahiert wurden.
Für CREATED- oder UPDATED-Erinnerungen können Sie GetMemories verwenden, um den vollständigen Inhalt der Erinnerung abzurufen.
Beim Abrufen von DELETED-Erinnerungen wird ein 404-Fehler ausgegeben.
Gemerkte Informationen im Hintergrund generieren
GenerateMemories ist ein Vorgang mit langer Ausführungszeit. Standardmäßig ist client.memory_banks.memories.generate eine Blockierfunktion, die den Vorgang abfragt, bis er abgeschlossen ist. Die Ausführung der Erinnerungserstellung als blockierende Operation ist hilfreich, wenn Sie die generierten Erinnerungen manuell prüfen oder Endnutzer darüber informieren möchten, welche Erinnerungen generiert wurden.
Bei Produktions-Agents sollten Sie die Gedächtnisgenerierung jedoch im Hintergrund als asynchronen Prozess ausführen. In den meisten Fällen muss der Client die Ausgabe für den aktuellen Lauf nicht verwenden. Es ist daher nicht erforderlich, zusätzliche Latenzzeiten durch Warten auf eine Antwort in Kauf zu nehmen. Wenn die Speichergenerierung im Hintergrund ausgeführt werden soll, setzen Sie wait_for_completion auf False:
client.memory_banks.memories.generate(
...,
config={
"wait_for_completion": False
}
)
Alternativ zum asynchronen Aufrufen von GenerateMemories können Sie IngestEvents verwenden. Dadurch wird die Ereignisaufnahme von der Speichergenerierung entkoppelt und Ereignisse werden standardmäßig im Hintergrund verarbeitet.
Datenquellen
Es gibt mehrere Möglichkeiten, Quelldaten für die Generierung von Erinnerungen bereitzustellen:
Stellen Sie vorab extrahierte Fakten bereit, um sie mit vorhandenen gemerkten Informationen für denselben Bereich zu konsolidieren.
Wenn Sie Ereignisse direkt in der Nutzlast angeben oder Sitzungen verwenden, werden Informationen aus der Unterhaltung extrahiert und mit vorhandenen gemerkten Informationen konsolidiert. Wenn Sie nur Informationen aus diesen Datenquellen extrahieren möchten, können Sie die Konsolidierung deaktivieren:
client.memory_banks.memories.generate(
...
config={
"disable_consolidation": True
}
)
Ereignisse in der Nutzlast als Datenquelle verwenden
Verwenden Sie direct_contents_source, wenn Sie Erinnerungen mit Ereignissen generieren möchten, die direkt in der Nutzlast bereitgestellt werden. Aus diesen Ereignissen werden aussagekräftige Informationen extrahiert und mit vorhandenen Informationen für denselben Bereich zusammengeführt. Dieser Ansatz kann verwendet werden, wenn Sie einen anderen Sitzungsspeicher als Agent Platform Sessions verwenden.
Wörterbuch
Die Ereignisse sollten Content-Dictionaries enthalten.
events = [
{
"content": {
"role": "user",
"parts": [
{"text": "I work with LLM agents!"}
]
}
}
]
client.memory_banks.memories.generate(
name=memory_bank.name,
direct_contents_source={
"events": EVENTS
},
# For example, `scope={"user_id": "123"}`.
scope=SCOPE,
config={
"wait_for_completion": True
}
)
Ersetzen Sie Folgendes:
SCOPE: Ein Dictionary, das den Umfang der generierten Erinnerungen darstellt. Beispiel:{"session_id": "MY_SESSION"}. Für die Konsolidierung werden nur gemerkte Informationen mit demselben Bereich berücksichtigt.
Kursbasiert
Die Ereignisse sollten Content-Objekte enthalten.
from google import genai
from agentplatform import types
events = [
types.GenerateMemoriesRequestDirectContentsSourceEvent(
content=genai.types.Content(
role="user",
parts=[
genai.types.Part.from_text(text="I work with LLM agents!")
]
)
)
]
client.memory_banks.memories.generate(
name=memory_bank.name,
direct_contents_source={
"events": events
},
# For example, `scope={"user_id": "123"}`.
scope=SCOPE,
config={
"wait_for_completion": True
}
)
Ersetzen Sie Folgendes:
SCOPE: Ein Dictionary, das den Umfang der generierten Erinnerungen darstellt. Beispiel:{"session_id": "MY_SESSION"}. Für die Konsolidierung werden nur Erinnerungen mit demselben Umfang berücksichtigt.
Agent Platform-Sitzungen als Datenquelle verwenden
Bei Sitzungen verwendet Memory Bank Sitzungsereignisse als Quellunterhaltung für das Merken von Informationen.
Um die generierten Erinnerungen einzugrenzen, wird die Nutzer-ID standardmäßig aus der Sitzung extrahiert und verwendet. Beispiel: Der Bereich der gemerkten Informationen wird als {"user_id": "123"} gespeichert, wenn die user_id der Sitzung „123“ ist. Sie können auch direkt ein scope angeben. In diesem Fall wird der user_id der Sitzung nicht als Bereich verwendet.
Wörterbuch
client.memory_banks.memories.generate(
name=memory_bank.name,
vertex_session_source={
# For example, projects/.../locations/.../reasoningEngines/.../sessions/...
"session": "SESSION_NAME"
},
# Optional when using Sessions. Defaults to {"user_id": session.user_id}.
scope=SCOPE,
config={
"wait_for_completion": True
}
)
Ersetzen Sie Folgendes:
SESSION_NAME: Der voll qualifizierte Sitzungsname.(Optional)
SCOPE: Ein Dictionary, das den Umfang der generierten Erinnerungen darstellt. Beispiel:{"session_id": "MY_SESSION"}. Für die Konsolidierung werden nur Erinnerungen mit demselben Umfang berücksichtigt. Wenn nicht angegeben, wird{"user_id": session.user_id}verwendet.
Kursbasiert
from agentplatform import types
client.memory_banks.memories.generate(
name=memory_bank.name,
vertex_session_source=types.GenerateMemoriesRequestVertexSessionSource(
# For example, projects/.../locations/.../reasoningEngines/.../sessions/...
session="SESSION_NAME"
),
# Optional when using Sessions. Defaults to {"user_id": session.user_id}.
scope=SCOPE,
config={
"wait_for_completion": True
}
)
Optional können Sie einen Zeitraum angeben, der angibt, welche Ereignisse in die Sitzung einbezogen werden sollen. Wenn nichts angegeben ist, werden alle Ereignisse in der Sitzung berücksichtigt.
Wörterbuch
import datetime
client.memory_banks.memories.generate(
name=memory_bank.name,
vertex_session_source={
"session": "SESSION_NAME",
# Extract memories from the last hour of events.
"start_time": datetime.datetime.now(tz=datetime.timezone.utc) - datetime.timedelta(seconds=24 * 60),
"end_time": datetime.datetime.now(tz=datetime.timezone.utc)
},
scope=SCOPE
)
Klassenbasiert
import datetime
from agentplatform import types
client.memory_banks.memories.generate(
name=memory_bank.name,
vertex_session_source=types.GenerateMemoriesRequestVertexSessionSource(
session="SESSION_NAME",
# Extract memories from the last hour of events.
start_time=datetime.datetime.now(tz=datetime.timezone.utc) - datetime.timedelta(seconds=24 * 60),
end_time=datetime.datetime.now(tz=datetime.timezone.utc)
),
scope=SCOPE
)
Zusammenfassen von vorab extrahierten gemerkten Informationen
Als Alternative zum automatischen Extraktionsprozess von Memory Bank können Sie direkt vorab extrahierte Erinnerungen bereitstellen. Erinnerungen aus direkten Quellen werden mit vorhandenen Erinnerungen für denselben Bereich zusammengeführt. Das kann nützlich sein, wenn Sie möchten, dass Ihr Agent oder ein Human-in-the-Loop für das Extrahieren von Informationen verantwortlich ist, Sie aber trotzdem die Konsolidierung der Memory Bank nutzen möchten, um sicherzustellen, dass es keine doppelten oder widersprüchlichen Informationen gibt.
client.memory_banks.memories.generate(
name=memory_bank.name,
direct_memories_source={"direct_memories": [{"fact": "FACT"}]},
scope=SCOPE
)
Ersetzen Sie Folgendes:
FACT: Die vorab extrahierte Information, die mit vorhandenen Erinnerungen zusammengeführt werden soll. Sie können bis zu fünf vorab extrahierte Fakten in einer Liste wie der folgenden angeben:{"direct_memories": [{"fact": "fact 1"}, {"fact": "fact 2"}]}SCOPE: Ein Dictionary, das den Umfang der generierten Erinnerungen darstellt. Beispiel:{"session_id": "MY_SESSION"}. Für die Konsolidierung werden nur Erinnerungen mit demselben Umfang berücksichtigt.
Multimodale Eingabe verwenden
Sie können Erinnerungen aus multimodalen Eingaben extrahieren. Erinnerungen werden jedoch nur aus Text, Inline-Dateien und Dateidaten im Quellinhalt extrahiert. Alle anderen Inhalte, einschließlich Funktionsaufrufe und Antworten, werden beim Generieren von Erinnerungen ignoriert.
Erinnerungen können aus Bildern, Videos und Audioaufnahmen extrahiert werden, die vom Nutzer bereitgestellt werden. Wenn der von der multimodalen Eingabe bereitgestellte Kontext von der Memory Bank als sinnvoll für zukünftige Interaktionen eingestuft wird, kann ein textueller Speicher erstellt werden, der aus der Eingabe extrahierte Informationen enthält. Wenn der Nutzer beispielsweise ein Bild eines Golden Retrievers mit dem Text „Das ist mein Hund“ bereitstellt, generiert die Memory Bank eine Erinnerung wie „Mein Hund ist ein Golden Retriever“.
Sie können beispielsweise ein Bild und Kontext für das Bild in der Nutzlast angeben:
Wörterbuch
with open(file_name, "rb") as f:
inline_data = f.read()
events = [
{
"content": {
"role": "user",
"parts": [
{"text": "This is my dog"},
{
"inline_data": {
"mime_type": "image/jpeg",
"data": inline_data
}
},
{
"file_data": {
"file_uri": "gs://cloud-samples-data/generative-ai/image/dog.jpg",
"mime_type": "image/jpeg"
}
},
]
}
}
]
Kursbasiert
from google import genai
from agentplatform import types
with open(file_name, "rb") as f:
inline_data = f.read()
events = [
types.GenerateMemoriesRequestDirectContentsSourceEvent(
content=genai.types.Content(
role="user",
parts=[
genai.types.Part.from_text(text="This is my dog"),
genai.types.Part.from_bytes(
data=inline_data,
mime_type="image/jpeg",
),
genai.types.Part.from_uri(
file_uri="gs://cloud-samples-data/generative-ai/image/dog.jpg",
mime_type="image/jpeg",
)
]
)
)
]